MétaCan
Menu
Retour à la cohorte
Enregistrement W3212961470 · doi:10.1109/cyber53097.2021.9588273

Obstacle Avoidance of Multiple Manipulators Based on 3D Artificial Potential Field Method

2021· article· en· W3212961470 sur OpenAlexaff
Fei Xiao, Bing Li, Hailin Huang, Fengfeng Xi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesShenzhen Research and Development Program
Mots-clésCollision avoidanceObstacle avoidancePotential fieldObstacleTrajectoryComputer scienceField (mathematics)Control theory (sociology)Manipulator (device)CollisionMotion planningRobot manipulatorArtificial intelligenceRobotControl engineeringEngineeringMathematicsMobile robotPhysicsControl (management)

Résumé

récupéré en direct d'OpenAlex

This paper proposes a multiple manipulators obstacle avoidance algorithm based on the 3D artificial potential field method. The distance model of the manipulators is established to detect the possible collision of the manipulators. The 3D artificial potential field method is used to deal with the obstacle avoidance problem in the operation of multiple manipulators. Consequently, a smooth collision-free trajectory can be obtained, which is dynamically adjusted according to the parameters of potential field. The experimental results with the UR manipulator illustrate that the developed system is efficient and fast in detecting collisions as well as planning paths.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,350
Score d'incertitude au seuil0,494

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,026
Tête enseignante GPT0,280
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRobotic Path Planning AlgorithmsTravaux en français237 207